MARC

 008260126s2025        us                              c    eng  d
■001000017359843
■00520260202105223
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566381
■035    ▼a(MiAaPQ)AAI32271825
■035    ▼a(MiAaPQ)umichrackham006345
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aMichaux,  Jonathan.
■24510▼aTowards  Risk-Aware  Planning  in  Uncertain  Environments
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a135  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Vasudevan,  Ram.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aRobotic  manipulators  have  the  potential  to  enhance  modern  healthcare  by  performing  diagnostic  procedures  in  point-of-care  settings,  assisting  surgeons  in  operating  rooms,  and  accelerating  the  discovery  of  novel  therapeutics  in  research  laboratories.  However,  researchers  must  address  several  key  challenges  to  ensure  robots  can  accomplish  these  important  tasks.  First,  robots  should  be  autonomous.  This  means  robots  should  be  capable  of  sensing  their  surroundings,  gathering  and  learning  from  new  information,  and  making  their  own  decisions  about  how  to  accomplish  specific  tasks.  Second,  robots  should  be  safe  and  only  perform  actions  that  are  guaranteed  to  not  damage  objects  in  the  environment,  nearby  humans,  or  even  the  robot  itself.  Third,  robots  should  be  robust  to  uncertainty.  For  example,  a  research  robot  should  be  able  to  clear  instruments  from  a  workbench  without  knowing  the  exact  mass  or  friction  coefficient  of  each  instrument.  Finally,  robots  should  operate  in  real-time.  This  ensures  that  robots  can  quickly  adapt  their  behavior  to  task  or  environment  changes.The  goal  of  this  thesis  is  to  address  the  challenges  discussed  above  by  developing  a  novel  motion  planning  framework  that  integrates  perception,  reachability  analysis,  and  control  algorithms  to  generate  safe  trajectories  in  a  receding  horizon  fashion.  The  proposed  framework  is  the  result  of  the  following  major  contributions:  (1)  the  development  of  a  core  trajectory  planning  framework  based  on  reachability  analysis;  (2)  the  development  a  novel  sphere-based  safety  representation  that  facilitates  the  integration  of  perception  models  into  the  planning  framework;  and,  (3)  the  application  of  the  trajectory  planner  as  a  novel  differentiable  neural  network  layer.  My  approach  is  distinctive  in  three  ways.  First,  it  ensures  that  both  safety  and  dynamics  constraints  are  robust  to  uncertainty  and  satisfied  in  continuous-time  rather  than  discrete-time.  Second,  it  studies  how  to  integrate  artificial  intelligence,  trajectory  optimization,  and  control  into  a  coherent  framework  for  robot  learning  with  theoretical  guarantees.  Third,  by  leveraging  accelerated  computer  hardware,  the  proposed  framework  is  computationally  tractable  and  capable  of  being  implemented  in  real-time  on  real  robotic  systems.  In  this  thesis,  we  demonstrate  this  framework's  effectiveness  by  solving  a  variety  of  challenging  motion  planning  and  manipulation  tasks  in  simulation  and  on  real  hardware.The  first  major  contribution  of  this  thesis  is  the  development  of  an  algorithm  called  Autonomous  Robust  Manipulation  via  Optimization  with  Uncertainty-aware  Reachability,  or  ARMOUR.  As  we  show  throughout  this  thesis,  ARMOUR  is  the  core  algorithm  of  the  proposed  planning  framework.  The  key  insight  behind  ARMOUR  is  to  combine  classical  robotics  algorithms  with  interval  arithmetic  to  compute  reachable  sets  that  overapproximate  the  behavior  of  the  robot  in  continuous-time.  This  allows  one  to  use  the  forward  kinematics  to  overapproximate  the  swept  volume  of  the  robot  and  inverse  dynamics  to  overapproximate  its  dynamics.  ARMOUR  integrates  a  technique  called  reachability  analysis  with  a  novel  nonlinear  robust  controller  to  generate  safe  trajectories  that  a  robot  follows  in  successive  steps  to  reach  a  goal  state.  At  every  planning  iteration,  a  continuum  of  parameterized  trajectories  is  used  to  construct  reachable  sets  that  overapproximate  all  of  the  robot's  positions,  velocities,  and  torques  that  can  be  reached  from  a  given  set  of  initial  conditions  over  a  specified  interval  of  time.  To  account  for  uncertainty  in  the  robot  dynamics,  the  position  reachable  set  is  buffered  by  the  robust  controller's  worst-case  tracking  error.  Using  the  reachable  sets  as  constraints,  ARMOUR  solves  a  nonlinear  optimization  problem  to  find  a  trajectory  that  brings  the  robot  close  to  a  desired  goal,  is  guaranteed  to  avoid  collisions  with  obstacles,  and  satisfies  the  position,  velocity,  and  torque  limits  of  the  robot.  ARMOUR  is  demonstrated  to  outperform  other  state-of-the-art  motion  planning  algorithms  such  as  ARMTD  and  CHOMP. The  second  major  contribution  of  this  thesis  addresses  two  key  limitations  of  ARMOUR  by  developing  of  an  algorithm  called  Safe  Planning  for  Articulated  Robots  using  Reachability-based  Obstacle  avoidance  With  Spheres,  or  SPARROWS.  First,  the  obstacle-avoidance  reachable  sets  constructed  by  ARMOUR  are  overly  conservative.  This  can  make  it  difficult  for  ARMOUR  to  generate  motion  plans  in  cluttered  scenes.  Second,  ARMOUR  assumes  all  obstacles  in  the  scene  are  known  and  can  be  modelled  as  convex  polytopes.  To  overcome  these  limitations,  SPARROWS  develops  a  novel  sphere-based  representation  that  is  shown  to  be  far  less  conservative  than  ARMOUR.  This  results  in  more  flexible,  less  conservative  planning  in  cluttered  environments,  significantly  outperforming  additional  state-of-the-art  motion  planners  such  as  TrajOpt,  MPOT,  and  cuRoboFinally,  this  thesis  introduces  SPLANNING,  a  perception-based,  risk-aware  trajectory  planning  framework.  Unlike  ARMOUR  and  SPARROWS,  SPLANNING  represents  complex  scenes  as  collections  of  normalized  3D  Gaussian  splats.  This  representation  provides  a  smooth  and  fully  differentiable  description  of  the  workspace,  avoiding  the  limitations  of  point  clouds  and  occupancy  grids.  SPLANNING  combines  the  3D  Gaussians  with  the  spherical  reachable  sets  from  SPARROWS  to  compute  an  upper  bound  on  the  probability  of  collision  between  the  robot  and  its  environment.  This  bound  is  then  used  as  a  constraint  in  a  gradient-based  optimization  framework,  enabling  real-time  planning  in  visually  complex  scenarios.  Together,  ARMOUR,  SPARROWS,  and  SPLANNING  form  the  first  reachability-based  framework  that  unifies  perception,  planning,  and  control  into  a  general  approach  for  safe  and  efficient  manipulation  under  uncertainty. 
■590    ▼aSchool  code:  0127.
■650  4▼aMechanical  engineering
■650  4▼aRobotics
■650  4▼aComputer  engineering
■653    ▼aRobots
■653    ▼aMotion  planning
■653    ▼aConvex  polytopes
■653    ▼aPolynomial  zonotopes
■653    ▼aManipulation
■690    ▼a0771
■690    ▼a0800
■690    ▼a0548
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bRobotics.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359843▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서